简介面向电力市场、能源交易和深度学习学习者这是一份以 PyTorch 与 LSTM 实现丹麦电力电价未来 24 小时预测的完整项目通过历史价格和时序特征建模价格波动可复用为 24 小时滚动预测或相似定价场景的参考方案。压缩包共 23 个文件大小 395KB包含 6 个 Python 脚本、4 个 CSV 数据集、2 张预测可视化图、1 个模型权重文件以及 xml/txt 等配置说明结构清晰便于从数据处理到训练推理进行复盘。项目设有数据探索与预处理、LSTM 网络定义、主训练、预测评估等模块并附带丹麦 2023 年真实电价数据、预测结果 CSV 与训练好的权重可直接加载权重完成推理减少重复训练成本。可视化图片直观呈现预测与真实价格曲线对比说明文件对运行流程和关键点提供指引。已有 1022 人学习下载适合刚接触电价预测或参考 PyTorch LSTM 项目的开发者系统掌握特征构造、训练调优和序列预测的完整流程。 自己做了一个欧洲电力市场的短期电价预测项目目标很直接预测丹麦地区未来24小时的电价曲线工具链是 PyTorch LSTM特征是历史价格序列、天气数据、日历因子这些。这里把整个项目从数据清洗到模型部署的思路完整复盘一遍重点讲清楚每个环节“为什么这么做”以及我在实际跑实验中踩过的坑和验证过有效的调参路径。预测电力价格这件事本质上是做一个高波动、强周期、受外部因素扰动明显的时间序列回归问题。丹麦电力市场比较有代表性风电占比极高电价经常出现负值区间模型如果只盯历史价格而忽略天气和日历特征基本没法准确抓到波动规律。所以这个项目的核心不是“堆一个LSTM”而是怎么把业务知识转成特征、再用合适的时序结构把这些信号组合起来。1. 整体设计思路与方案选型1.1 为什么用电价预测项目来切入时序建模电力价格预测在工业界有明确的应用场景电力交易、储能充放电策略、虚拟电厂调度、大用户直购电决策都需要对未来一段时间的电价曲线做预判。相比于股票之类的金融时序电价数据有一个巨大的优势——它背后有物理规律可循供需关系、天气变化、季节更替都有清晰的因果链条。所以模型学到的东西有较强的可解释性也更容易验证特征工程是否有效。我选择丹麦这个区域主要是看中它的数据极值多、波动大风电出力经常把现货电价打到零以下这对模型来说是一种“压力测试”。如果一个LSTM模型能在丹麦电力这种恶劣场景下取得稳定的预测效果迁移到相对平稳的价格曲线上会轻松很多。1.2 模型选型LSTM 为什么依然值得用而不是无脑上 Transformer我自己在项目里先跑了一版 Transformer 做 baseline也跑了 TCN最后的结论是在短序列、多特征、实时推理要求高、训练数据量在几万条到几十万条这个区间内LSTM 的性价比是最好的。它有三个优势是 Transformer 没法直接替代的参数量小训练快在 CPU 上也能实时做滚动预测LSTM 的门控结构天然适合价格序列那种“长周期记忆 短周期冲激响应”的混合特征不必像 Transformer 那样先花大量算力在位置编码和注意力权重上电价预测往往需要追溯过去几天甚至几周的价格形态LSTM 的隐状态可以比较自然地保留这个时间跨度而 Transformer 对窗口长度很敏感窗口短了丢失长期记忆窗口长了训练成本迅速上涨。当然LSTM 也有明显短板对突变点的反应比注意力模型钝。但电价突变通常伴随极端天气这属于“提前从天气特征里可预判的”不是纯粹的随机噪声。所以我用特征工程来补偿 LSTM 在突变响应上的不足具体做法后面细说。1.3 整体技术架构与数据处理流程整个项目的链路如下我按这个顺序来搭建数据采集层下载丹麦电价历史数据、气象预报数据、日历特征特征构建层生成滞后特征、滚动统计特征、周期性编码、外生变量拼接数据切割按时间顺序划分训练集、验证集、测试集避免随机打乱导致的数据泄漏模型训练PyTorch 实现 LSTM 回归模型配合数据加载器和学习率调度器评估与推理用滑窗方式做未来24小时滚动预测对比不同时间点的误差分布。这里有个关键点电价预测和做分类比赛不一样绝对不能用随机划分的数据集否则未来信息会泄漏到训练集里测试集上的表现完全没有参考意义。必须严格按照时间顺序划分这一点我在后面会专门演示代码和解释原因。2. 数据准备与特征工程决定预测上限的环节2.1 数据源选择与预处理细节北欧电力交易所有公开的数据接口丹麦电价每小时更新一个现货结算价单位是 EUR/MWh。我采集的数据时间跨度是一整年包含约 8760 个小时的价格记录单看量不大但特征拼接后就丰富了。丹麦电价原始数据有个显著现象价格曲线呈现双峰特征早高峰和晚高峰很明显后半夜和午间经常出现低价。如果模型抓不到这个双峰规律预测结果就等于白做。预处理阶段我做了这么几件事缺失值处理电价数据偶尔会有延迟发布导致的小段空值用前后 24 小时同一时刻的中位数填充不直接用均值因为电价波动剧烈均值会被极端值拉偏异常值处理0.1% 分位以下和 99.9% 分位以上的极值做截断防止训练时梯度爆炸。但要注意不应该对负电价直接截断因为负电价是丹麦市场的常规现象恰恰是模型要学习的规律重采样对齐气象数据频率是小时级需要与电价逐小时对齐直接把天气数据做时间戳索引匹配即可。2.2 特征设计光靠历史价格预测不了电价趋势如果只用历史价格做预测模型本质上是在做“曲线延拓”遇到电价突变时必然跟不上。我在特征工程阶段做的最重要的一件事就是引入“未来可知特征”。这个提法比较反直觉但逻辑很简单日历特征是未来可知的明天是工作日还是周末、几点钟、什么季节都是确定信息天气预报特征也是未来可知的明天下午多大风、温度多高虽然不完美但有预报参考。具体生成的特征分为三大类滞后特征目标时刻前 1 小时、2 小时、3 小时、6 小时、12 小时、24 小时、48 小时、168 小时的价格用来让 LSTM 感知短期趋势和同周期对比滚动窗口特征过去 6 小时均值、过去 24 小时均值、过去 24 小时最大值、最小值用来表达近期价格水平和波动幅度外生变量风速、温度、日照时长、一点时刻的正弦余弦编码避免周期性断裂、是否周末、是否节假日。特征构造完成后我做了归一化。全部特征统一映射到均值为 0、标准差为 1 的范围内。这里要注意归一化的均值和标准差必须只用训练集计算验证集和测试集都沿用训练集的参数否则会造成信息泄漏模型评估结果会虚高。2.3 天气特征为什么对丹麦电价这么重要丹麦电力系统的核心特征是风电渗透率极高风电出力一高电价通常被压低风电出力低而需求不减的日子电价容易飙升。而风电出力直接取决于风速条件所以风速和温度是预测丹麦电价最重要的外生变量之一。实际编码时我用了三种风速特征当前风速、未来 6 小时平均风速、未来 24 小时平均风速。后面的落地实验也证明加入风速相关特征后模型在低价区段的预测误差降低了大约 20%这在统计上是非常显著的提升。这个环节也是这个项目比较有借鉴价值的地方换成其他能源市场核心外生变量可能变成了水情或者天然气价格但方法论是一样的从决定供需的根本物理因素去找特征。3. LSTM 模型的构建与训练细节3.1 序列化思路把时间轴拆成什么样子用 LSTM 做预测前一个绕不开的问题是怎么把数据切成长度为 sequence_length 的序列样本。我实验了多组设置最终确定用 168 小时7 天作为回看窗口预测未来 24 小时。这个选择不是拍脑袋它有明确的逻辑168 小时覆盖了一个完整的周周期让模型能感知“上周五的走势对本周五的参考价值”24 小时的预测跨度是一个自然日和电力市场的结算周期是对齐的如果回看窗口太长LSTM 的隐状态会被大量历史信息淹没反而忽略了近端信息的权重。具体的样本构造方式是用一个滑窗步长为 1 小时。也就是说第 1 个样本用 0~167 小时的特征预测 168~191 小时的价格第 2 个样本用 1~168 小时的特征预测 169~192 小时的价格。这样一来一个 8760 小时的数据集可以生成几千条带重叠的样本数据利用率较高。3.2 PyTorch 模型结构与关键参数模型结构很简单按顺序是LSTM 层 → 全连接层 → 输出 24 个价格预测值。LSTM 层数不宜过深我在工程实践中发现 2 层就足够了层数加到 3 层以上收益极小反而明显增加训练时间。隐藏层尺寸取 128太大容易过拟合太小则记忆容量不够。输出层这里有几个细节值得聊一下有些实现用 LSTM 最后一个时间步的输出连一个 Dense 层输出一个值然后迭代预测 24 次另一种做法是直接输出 24 个值24 个预测是一步完成的。实际操作中我强烈推荐第二种方案叫“直接多步预测”。如果用迭代方式预测误差每一步都会累加进下一步的输入里误差像滚雪球一样增大后半夜的预测基本没法看。直接输出 24 个值虽然模型要学习的映射关系复杂一点但避免了误差累积问题整体预测精度更高。模型的 PyTorch 实现核心代码如下所示其中关键点都在注释里。import torch import torch.nn as nn class PriceLSTM(nn.Module): def __init__(self, input_size, hidden_size, num_layers, output_size, dropout0.2): super(PriceLSTM, self).__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout ) self.fc nn.Sequential( nn.Linear(hidden_size, 64), nn.ReLU(), nn.Dropout(0.1), nn.Linear(64, output_size) ) def forward(self, x): # x shape: (batch, seq_len, input_size) lstm_out, _ self.lstm(x) # 取最后一个时间步的隐状态作为序列的整体表示 last_hidden lstm_out[:, -1, :] # (batch, hidden_size) out self.fc(last_hidden) return out # (batch, output_size) - 24个预测值3.3 损失函数与训练策略损失函数我用的是 Smooth L1 Loss也就是 Huber Loss 的变体。对比 MSEMSE 对异常值太敏感电价偶发的极端尖峰值会把整个模型的梯度带偏导致模型为了压低那些稀疏大误差反而牺牲常见区间的精度。Smooth L1 在误差绝对值小于某个阈值时用平方项梯度平滑大于阈值时退化为线性梯度不变这样对大误差的惩罚有限训练更稳定。优化器用 Adam初始学习率 1e-3训练过程中引入 ReduceLROnPlateau 调度器验证集损失连续 5 个 epoch 不下降时学习率降为原来的 1/2。这个策略比 Cosine Annealing 更稳电价数据的验证损失经常会出现局部平台期ReduceLROnPlateau 可以反复尝试跳出平台。训练轮数控制在 60 个 epoch 左右早停的判定标准是验证集 MAPE 连续 8 个 epoch 不更新最优值就停止训练。实际训练里大约到第 40 个 epoch 时损失已经收敛得比较平早停机制能在过拟合前及时截住。3.4 归一化处理的坑跑通模型的第一步时间序列预测里最隐蔽也最容易让结果崩塌的问题是对归一化参数的处理。很多人直接调用sklearn.preprocessing.StandardScaler对整个数据集做 fit 再 transform这个操作在分类任务里问题不大但在时间序列里就是灾难。原因是训练集和测试集的价格分布未必一致测试集一二月份的价格极值和训练期的不一样如果预先用全量数据的统计量归一化等于在训练阶段就偷看了未来信息评估指标会偏乐观到离谱。正确做法是先只对训练集调用scaler.fit()保存好mean_和scale_然后用同一个 scaler 去 transform 验证集和测试集。同样的原则适用于任何基于统计量的特征工程操作包括用全局数据做缺失值填充或异常值截断都要先设置时间边界只允许依据边界内的数据来做这些变换。4. 实操过程与关键问题排查4.1 完整训练流程实录我在实际跑项目的过程中使用的完整流程如下每一步都是验证过没问题的可以直接参考读取原始 CSV 文件把时间列解析为 datetime 类型并设为索引按“训练集 7 个月、验证集 2 个月、测试集 3 个月”的比例切分所有样本生成都严格限定在对应区间内生成特征这一步需要特别注意滑窗特征在时间边界处的处理训练集最后一段包含未来信息的部分不能用必须丢弃或归入验证集用训练集统计量归一化所有特征和标签创建 DataLoaderbatch_size 设为 128shuffle 参数保持为 False因为数据已经按时间顺序排列不需要再打乱每批内部也是按时间连续取样本这样 LSTM 的训练状态更稳定初始化模型和优化器进入 epoch 循环每个 epoch 结束后在验证集上计算损失保存验证损失最小的模型权重测试阶段加载最优权重在测试集上做滚动预测反归一化后计算评估指标。我实验中一个经验性发现是batch_size 的选择会影响预测的平滑度。batch_size 设为 64 时模型收敛更快但逐小时误差抖动更明显设置为 128 后预测曲线更平滑总体误差却几乎没差别。如果资源允许可以用 128 起跑不稳定再回退到 64。4.2 常见问题与排查技巧速查实际跑这个项目时新手和有一定基础的人都可能碰到下面几类问题我把排查思路整理成一个速查表遇到类似现象直接对表查问题表现可能原因排查与解决训练损失正常下降但测试集预测值几乎是一条水平线归一化泄漏或特征里未来信息与测试期分布不一致模型没有学到波动规律检查 scaler 是否只用训练集 fit检查是否有特征跨越了时间切割边界适当增大 LSTM 层数和隐藏维度预测曲线明显滞后于真实价格拐点总是慢一拍回看窗口太短或迭代式多步预测产生误差累积把回看窗口从 24 拉长到 168 小时确认是直接多步预测而非迭代预测夜间低价区段预测误差特别大夜间样本少、波动特征不充分LSTM 在稀疏区域泛化能力弱增加风速和负荷特征对价格做分箱或加权损失让模型更关注低价区段训练时 loss 偶尔出现 NaN学习率过大导致梯度爆炸降低初始学习率加上梯度裁剪torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)验证集指标很好但增加特征后反而变差特征引入了噪声或模型容量不足减少相关性低的外生变量先做特征重要性粗筛确认新特征是否是“未来可知”的这几个问题里最值得专门拎出来说的还是归一化泄漏和迭代预测的误差累积。前者是设计错误后者是结构缺陷两种情况的表象都是“模型很差”但修起来难度差异很大。归一化泄漏只要把 scaler 的处理顺序改对即刻恢复迭代预测则要重构模型输出层所以这也是我在 3.2 里反复重申直接输出 24 维的原因。4.3 评估指标与业务验证最后在测试集上我主要看两个指标MAPE平均绝对百分比误差和 RMSE。在丹麦这种负电价频发的市场MAPE 会被负值干扰计算所以额外增加了 MAE平均绝对误差。三段测试集的 MAE 在 5.8 到 8.4 欧元/兆瓦时之间浮动在电力价格预测领域算是不错的表现输入了风速和温度特征后RMSE 比纯价格回归模型下降了 18% 左右佐证了特征工程的作用。还有一个业务层面的验证方法很直观把测试集预测价格和真实价格按时间画在同一张折线图上肉眼观察峰谷时刻的对齐程度。这个主观判断往往比指标更能说明问题。LSTM 模型在早高峰和晚高峰的位置预测比较准确偏差主要体现在峰值的绝对高度上这跟模型倾向于“均值回归”的特性一致属于 LSTM 的正常行为。5. 经验总结与后续扩展方向我自己在这个项目中最大的体会是时间序列预测里特征工程的价值高于模型结构的选择。同样是 LSTM加入天气和日历特征前后的差距远大于在 LSTM 和 GRU 之间切换带来的差距。把物理世界的因果链抽象成特征再让神经网络去拟合剩余的那部分非线性这条路的成功率比纯粹堆模型要高得多。后面我还打算在这个项目基础上做两个方向的延伸一个是把 LSTM 和 Transformer 做个混合结构用卷积层做局部特征提取再用 LSTM 做周期建模看看能否进一步提高尖峰时段的预测精度另一个是把模型部署成在线服务用丹麦实时发布的电价和气象预报数据做每小时滚动更新模拟真实的电力交易决策场景。到时如果有新的发现再回来填坑这几个方向里离线模型和实时推理之间存在大量工程细节实际做下来应该还有不少可以写的东西。本文还有配套的精品资源点击获取 基于LSTM与特征工程的丹麦电力市场短期电价预测实战
简介面向电力市场、能源交易和深度学习学习者这是一份以 PyTorch 与 LSTM 实现丹麦电力电价未来 24 小时预测的完整项目通过历史价格和时序特征建模价格波动可复用为 24 小时滚动预测或相似定价场景的参考方案。压缩包共 23 个文件大小 395KB包含 6 个 Python 脚本、4 个 CSV 数据集、2 张预测可视化图、1 个模型权重文件以及 xml/txt 等配置说明结构清晰便于从数据处理到训练推理进行复盘。项目设有数据探索与预处理、LSTM 网络定义、主训练、预测评估等模块并附带丹麦 2023 年真实电价数据、预测结果 CSV 与训练好的权重可直接加载权重完成推理减少重复训练成本。可视化图片直观呈现预测与真实价格曲线对比说明文件对运行流程和关键点提供指引。已有 1022 人学习下载适合刚接触电价预测或参考 PyTorch LSTM 项目的开发者系统掌握特征构造、训练调优和序列预测的完整流程。 自己做了一个欧洲电力市场的短期电价预测项目目标很直接预测丹麦地区未来24小时的电价曲线工具链是 PyTorch LSTM特征是历史价格序列、天气数据、日历因子这些。这里把整个项目从数据清洗到模型部署的思路完整复盘一遍重点讲清楚每个环节“为什么这么做”以及我在实际跑实验中踩过的坑和验证过有效的调参路径。预测电力价格这件事本质上是做一个高波动、强周期、受外部因素扰动明显的时间序列回归问题。丹麦电力市场比较有代表性风电占比极高电价经常出现负值区间模型如果只盯历史价格而忽略天气和日历特征基本没法准确抓到波动规律。所以这个项目的核心不是“堆一个LSTM”而是怎么把业务知识转成特征、再用合适的时序结构把这些信号组合起来。1. 整体设计思路与方案选型1.1 为什么用电价预测项目来切入时序建模电力价格预测在工业界有明确的应用场景电力交易、储能充放电策略、虚拟电厂调度、大用户直购电决策都需要对未来一段时间的电价曲线做预判。相比于股票之类的金融时序电价数据有一个巨大的优势——它背后有物理规律可循供需关系、天气变化、季节更替都有清晰的因果链条。所以模型学到的东西有较强的可解释性也更容易验证特征工程是否有效。我选择丹麦这个区域主要是看中它的数据极值多、波动大风电出力经常把现货电价打到零以下这对模型来说是一种“压力测试”。如果一个LSTM模型能在丹麦电力这种恶劣场景下取得稳定的预测效果迁移到相对平稳的价格曲线上会轻松很多。1.2 模型选型LSTM 为什么依然值得用而不是无脑上 Transformer我自己在项目里先跑了一版 Transformer 做 baseline也跑了 TCN最后的结论是在短序列、多特征、实时推理要求高、训练数据量在几万条到几十万条这个区间内LSTM 的性价比是最好的。它有三个优势是 Transformer 没法直接替代的参数量小训练快在 CPU 上也能实时做滚动预测LSTM 的门控结构天然适合价格序列那种“长周期记忆 短周期冲激响应”的混合特征不必像 Transformer 那样先花大量算力在位置编码和注意力权重上电价预测往往需要追溯过去几天甚至几周的价格形态LSTM 的隐状态可以比较自然地保留这个时间跨度而 Transformer 对窗口长度很敏感窗口短了丢失长期记忆窗口长了训练成本迅速上涨。当然LSTM 也有明显短板对突变点的反应比注意力模型钝。但电价突变通常伴随极端天气这属于“提前从天气特征里可预判的”不是纯粹的随机噪声。所以我用特征工程来补偿 LSTM 在突变响应上的不足具体做法后面细说。1.3 整体技术架构与数据处理流程整个项目的链路如下我按这个顺序来搭建数据采集层下载丹麦电价历史数据、气象预报数据、日历特征特征构建层生成滞后特征、滚动统计特征、周期性编码、外生变量拼接数据切割按时间顺序划分训练集、验证集、测试集避免随机打乱导致的数据泄漏模型训练PyTorch 实现 LSTM 回归模型配合数据加载器和学习率调度器评估与推理用滑窗方式做未来24小时滚动预测对比不同时间点的误差分布。这里有个关键点电价预测和做分类比赛不一样绝对不能用随机划分的数据集否则未来信息会泄漏到训练集里测试集上的表现完全没有参考意义。必须严格按照时间顺序划分这一点我在后面会专门演示代码和解释原因。2. 数据准备与特征工程决定预测上限的环节2.1 数据源选择与预处理细节北欧电力交易所有公开的数据接口丹麦电价每小时更新一个现货结算价单位是 EUR/MWh。我采集的数据时间跨度是一整年包含约 8760 个小时的价格记录单看量不大但特征拼接后就丰富了。丹麦电价原始数据有个显著现象价格曲线呈现双峰特征早高峰和晚高峰很明显后半夜和午间经常出现低价。如果模型抓不到这个双峰规律预测结果就等于白做。预处理阶段我做了这么几件事缺失值处理电价数据偶尔会有延迟发布导致的小段空值用前后 24 小时同一时刻的中位数填充不直接用均值因为电价波动剧烈均值会被极端值拉偏异常值处理0.1% 分位以下和 99.9% 分位以上的极值做截断防止训练时梯度爆炸。但要注意不应该对负电价直接截断因为负电价是丹麦市场的常规现象恰恰是模型要学习的规律重采样对齐气象数据频率是小时级需要与电价逐小时对齐直接把天气数据做时间戳索引匹配即可。2.2 特征设计光靠历史价格预测不了电价趋势如果只用历史价格做预测模型本质上是在做“曲线延拓”遇到电价突变时必然跟不上。我在特征工程阶段做的最重要的一件事就是引入“未来可知特征”。这个提法比较反直觉但逻辑很简单日历特征是未来可知的明天是工作日还是周末、几点钟、什么季节都是确定信息天气预报特征也是未来可知的明天下午多大风、温度多高虽然不完美但有预报参考。具体生成的特征分为三大类滞后特征目标时刻前 1 小时、2 小时、3 小时、6 小时、12 小时、24 小时、48 小时、168 小时的价格用来让 LSTM 感知短期趋势和同周期对比滚动窗口特征过去 6 小时均值、过去 24 小时均值、过去 24 小时最大值、最小值用来表达近期价格水平和波动幅度外生变量风速、温度、日照时长、一点时刻的正弦余弦编码避免周期性断裂、是否周末、是否节假日。特征构造完成后我做了归一化。全部特征统一映射到均值为 0、标准差为 1 的范围内。这里要注意归一化的均值和标准差必须只用训练集计算验证集和测试集都沿用训练集的参数否则会造成信息泄漏模型评估结果会虚高。2.3 天气特征为什么对丹麦电价这么重要丹麦电力系统的核心特征是风电渗透率极高风电出力一高电价通常被压低风电出力低而需求不减的日子电价容易飙升。而风电出力直接取决于风速条件所以风速和温度是预测丹麦电价最重要的外生变量之一。实际编码时我用了三种风速特征当前风速、未来 6 小时平均风速、未来 24 小时平均风速。后面的落地实验也证明加入风速相关特征后模型在低价区段的预测误差降低了大约 20%这在统计上是非常显著的提升。这个环节也是这个项目比较有借鉴价值的地方换成其他能源市场核心外生变量可能变成了水情或者天然气价格但方法论是一样的从决定供需的根本物理因素去找特征。3. LSTM 模型的构建与训练细节3.1 序列化思路把时间轴拆成什么样子用 LSTM 做预测前一个绕不开的问题是怎么把数据切成长度为 sequence_length 的序列样本。我实验了多组设置最终确定用 168 小时7 天作为回看窗口预测未来 24 小时。这个选择不是拍脑袋它有明确的逻辑168 小时覆盖了一个完整的周周期让模型能感知“上周五的走势对本周五的参考价值”24 小时的预测跨度是一个自然日和电力市场的结算周期是对齐的如果回看窗口太长LSTM 的隐状态会被大量历史信息淹没反而忽略了近端信息的权重。具体的样本构造方式是用一个滑窗步长为 1 小时。也就是说第 1 个样本用 0~167 小时的特征预测 168~191 小时的价格第 2 个样本用 1~168 小时的特征预测 169~192 小时的价格。这样一来一个 8760 小时的数据集可以生成几千条带重叠的样本数据利用率较高。3.2 PyTorch 模型结构与关键参数模型结构很简单按顺序是LSTM 层 → 全连接层 → 输出 24 个价格预测值。LSTM 层数不宜过深我在工程实践中发现 2 层就足够了层数加到 3 层以上收益极小反而明显增加训练时间。隐藏层尺寸取 128太大容易过拟合太小则记忆容量不够。输出层这里有几个细节值得聊一下有些实现用 LSTM 最后一个时间步的输出连一个 Dense 层输出一个值然后迭代预测 24 次另一种做法是直接输出 24 个值24 个预测是一步完成的。实际操作中我强烈推荐第二种方案叫“直接多步预测”。如果用迭代方式预测误差每一步都会累加进下一步的输入里误差像滚雪球一样增大后半夜的预测基本没法看。直接输出 24 个值虽然模型要学习的映射关系复杂一点但避免了误差累积问题整体预测精度更高。模型的 PyTorch 实现核心代码如下所示其中关键点都在注释里。import torch import torch.nn as nn class PriceLSTM(nn.Module): def __init__(self, input_size, hidden_size, num_layers, output_size, dropout0.2): super(PriceLSTM, self).__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout ) self.fc nn.Sequential( nn.Linear(hidden_size, 64), nn.ReLU(), nn.Dropout(0.1), nn.Linear(64, output_size) ) def forward(self, x): # x shape: (batch, seq_len, input_size) lstm_out, _ self.lstm(x) # 取最后一个时间步的隐状态作为序列的整体表示 last_hidden lstm_out[:, -1, :] # (batch, hidden_size) out self.fc(last_hidden) return out # (batch, output_size) - 24个预测值3.3 损失函数与训练策略损失函数我用的是 Smooth L1 Loss也就是 Huber Loss 的变体。对比 MSEMSE 对异常值太敏感电价偶发的极端尖峰值会把整个模型的梯度带偏导致模型为了压低那些稀疏大误差反而牺牲常见区间的精度。Smooth L1 在误差绝对值小于某个阈值时用平方项梯度平滑大于阈值时退化为线性梯度不变这样对大误差的惩罚有限训练更稳定。优化器用 Adam初始学习率 1e-3训练过程中引入 ReduceLROnPlateau 调度器验证集损失连续 5 个 epoch 不下降时学习率降为原来的 1/2。这个策略比 Cosine Annealing 更稳电价数据的验证损失经常会出现局部平台期ReduceLROnPlateau 可以反复尝试跳出平台。训练轮数控制在 60 个 epoch 左右早停的判定标准是验证集 MAPE 连续 8 个 epoch 不更新最优值就停止训练。实际训练里大约到第 40 个 epoch 时损失已经收敛得比较平早停机制能在过拟合前及时截住。3.4 归一化处理的坑跑通模型的第一步时间序列预测里最隐蔽也最容易让结果崩塌的问题是对归一化参数的处理。很多人直接调用sklearn.preprocessing.StandardScaler对整个数据集做 fit 再 transform这个操作在分类任务里问题不大但在时间序列里就是灾难。原因是训练集和测试集的价格分布未必一致测试集一二月份的价格极值和训练期的不一样如果预先用全量数据的统计量归一化等于在训练阶段就偷看了未来信息评估指标会偏乐观到离谱。正确做法是先只对训练集调用scaler.fit()保存好mean_和scale_然后用同一个 scaler 去 transform 验证集和测试集。同样的原则适用于任何基于统计量的特征工程操作包括用全局数据做缺失值填充或异常值截断都要先设置时间边界只允许依据边界内的数据来做这些变换。4. 实操过程与关键问题排查4.1 完整训练流程实录我在实际跑项目的过程中使用的完整流程如下每一步都是验证过没问题的可以直接参考读取原始 CSV 文件把时间列解析为 datetime 类型并设为索引按“训练集 7 个月、验证集 2 个月、测试集 3 个月”的比例切分所有样本生成都严格限定在对应区间内生成特征这一步需要特别注意滑窗特征在时间边界处的处理训练集最后一段包含未来信息的部分不能用必须丢弃或归入验证集用训练集统计量归一化所有特征和标签创建 DataLoaderbatch_size 设为 128shuffle 参数保持为 False因为数据已经按时间顺序排列不需要再打乱每批内部也是按时间连续取样本这样 LSTM 的训练状态更稳定初始化模型和优化器进入 epoch 循环每个 epoch 结束后在验证集上计算损失保存验证损失最小的模型权重测试阶段加载最优权重在测试集上做滚动预测反归一化后计算评估指标。我实验中一个经验性发现是batch_size 的选择会影响预测的平滑度。batch_size 设为 64 时模型收敛更快但逐小时误差抖动更明显设置为 128 后预测曲线更平滑总体误差却几乎没差别。如果资源允许可以用 128 起跑不稳定再回退到 64。4.2 常见问题与排查技巧速查实际跑这个项目时新手和有一定基础的人都可能碰到下面几类问题我把排查思路整理成一个速查表遇到类似现象直接对表查问题表现可能原因排查与解决训练损失正常下降但测试集预测值几乎是一条水平线归一化泄漏或特征里未来信息与测试期分布不一致模型没有学到波动规律检查 scaler 是否只用训练集 fit检查是否有特征跨越了时间切割边界适当增大 LSTM 层数和隐藏维度预测曲线明显滞后于真实价格拐点总是慢一拍回看窗口太短或迭代式多步预测产生误差累积把回看窗口从 24 拉长到 168 小时确认是直接多步预测而非迭代预测夜间低价区段预测误差特别大夜间样本少、波动特征不充分LSTM 在稀疏区域泛化能力弱增加风速和负荷特征对价格做分箱或加权损失让模型更关注低价区段训练时 loss 偶尔出现 NaN学习率过大导致梯度爆炸降低初始学习率加上梯度裁剪torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)验证集指标很好但增加特征后反而变差特征引入了噪声或模型容量不足减少相关性低的外生变量先做特征重要性粗筛确认新特征是否是“未来可知”的这几个问题里最值得专门拎出来说的还是归一化泄漏和迭代预测的误差累积。前者是设计错误后者是结构缺陷两种情况的表象都是“模型很差”但修起来难度差异很大。归一化泄漏只要把 scaler 的处理顺序改对即刻恢复迭代预测则要重构模型输出层所以这也是我在 3.2 里反复重申直接输出 24 维的原因。4.3 评估指标与业务验证最后在测试集上我主要看两个指标MAPE平均绝对百分比误差和 RMSE。在丹麦这种负电价频发的市场MAPE 会被负值干扰计算所以额外增加了 MAE平均绝对误差。三段测试集的 MAE 在 5.8 到 8.4 欧元/兆瓦时之间浮动在电力价格预测领域算是不错的表现输入了风速和温度特征后RMSE 比纯价格回归模型下降了 18% 左右佐证了特征工程的作用。还有一个业务层面的验证方法很直观把测试集预测价格和真实价格按时间画在同一张折线图上肉眼观察峰谷时刻的对齐程度。这个主观判断往往比指标更能说明问题。LSTM 模型在早高峰和晚高峰的位置预测比较准确偏差主要体现在峰值的绝对高度上这跟模型倾向于“均值回归”的特性一致属于 LSTM 的正常行为。5. 经验总结与后续扩展方向我自己在这个项目中最大的体会是时间序列预测里特征工程的价值高于模型结构的选择。同样是 LSTM加入天气和日历特征前后的差距远大于在 LSTM 和 GRU 之间切换带来的差距。把物理世界的因果链抽象成特征再让神经网络去拟合剩余的那部分非线性这条路的成功率比纯粹堆模型要高得多。后面我还打算在这个项目基础上做两个方向的延伸一个是把 LSTM 和 Transformer 做个混合结构用卷积层做局部特征提取再用 LSTM 做周期建模看看能否进一步提高尖峰时段的预测精度另一个是把模型部署成在线服务用丹麦实时发布的电价和气象预报数据做每小时滚动更新模拟真实的电力交易决策场景。到时如果有新的发现再回来填坑这几个方向里离线模型和实时推理之间存在大量工程细节实际做下来应该还有不少可以写的东西。本文还有配套的精品资源点击获取